本次會議以“數字時代的通信和協作變革”為主題。中興通訊聯絡中心AI首席科學家杜新凱應邀出席此次會議并發表題為《深度語義理解助力CC智能化》的主題演講。聯絡中心的主要應用場景，無論是智能客服，智能知識庫，還是智能外呼，都涉及對文本的處理和理解。一直以來文本的語義理解存在如下四個難題，即針對相同語義的不同表述方式的識別，普遍存在的不確定性，知識處理的復雜性，和輸入存在的大量錯誤。新的深度語義理解技術可有效解決這些難題，從而助力聯絡中心實現智能化。

杜新凱：各位上午好，謝謝主辦方的邀請，很高興有機會給大家做報告，剛才汪總從哲學和倫理學的角度講了人工智能和呼叫中心，我更多是從技術的角度來作一個分享。

今天的報告主要分為四個部分，第一部分是呼叫中心面臨的挑戰和趨勢，第二部分是自然語言處理的重要性，第三部分是深度語義理解核心技術，第四部分是深度語義理解的應用。

首先來看呼叫中心面臨的挑戰，我認為呼叫中心的挑戰主要是關于人的三個矛盾，第一個矛盾是，我們知道呼叫中心的投入和規模每年都在持續的增長，這樣的話就需要招聘更多的人，但是我國的勞動力人口已經在逐年下降越來越少，這樣就構成第一個矛盾；第二個矛盾是，我們希望呼叫中心的人工座席團隊盡可能的保持穩定，但是事實上呼叫中心的離職率相對于別的行業來說始終處于一個比較高的水平；第三個矛盾，根據統計顯示呼叫中心的人力成本占到了總成本的82%，我們呼叫中心預算的增長的速度低于人力成本的增長速度，這樣就構成了第三個矛盾。

這三個矛盾就使得智能化成為呼叫中心發展的一個必然趨勢，這里面我們可以從兩個角度來看。第一個角度就是機器可以替代人，也就是說我們不需要招更多的話務員。比如說智能客服、智能IVR、智能營業廳、智能外呼的應用。Garter有一個報告，2020年智能機器人的座席能夠滿足40%的客服市場的需求，中國到時候就會有一千萬的智能機器人的座席；第二個角度來講的話就是說機器也可以輔助人、協助人，比如智能坐席助手和智能知識庫，我們可以提高座席人員的工作效率，讓同樣一個坐席人員可以去做更多的工作、去有更多的產出。

同時我們今天很高興的看到，就是說越來越多的用戶已經開始適應和習慣智能化的服務方式。國外報告是說在過去的2017年，已經有超過15%的用戶有了跟智能機器人對話的經歷，雖然說傳統的一些渠道，比如說電話、郵件的比例仍然遠遠高于對話機器人的比例，但是我們可以看到從趨勢上來講，就是智能服務的比例會占的越來越高。

在呼叫中心這個領域里面，智能服務、智能技術起作用的一個主要著力點就是語言的處理。語言的形式可能有語音、有文本。對于語音來講，通過語音識別的技術，我們可以把它轉換成文本，所以說歸根到底可能主要還是一個文本處理的問題。這里面主要用到的就是自然語言處理的技術，也就是NLP的技術。

我們可以看一看NLP在人工智能中的位置。人工智能可以劃分為三個層次，第一個就是計算智能，就是讓計算機具備能存會算的能力。第二個層次是感知智能，讓計算機能聽會說、能看會認，比如說語音識別、語音合成、人臉識別都屬于感知智能的范疇。第三個層次就是認知智能，讓計算機具備能理解會思考的能力，NLP就是在研究如何讓機器人像人一樣去理解人類的語言，屬于認知智能的范疇，著名的圖靈測試主要就是基于NLP的技術提出的。

在NLP的處理里面其實是面臨四個非常大的挑戰和困難。第一個是表達方式是非常靈活的，第二個是我們在語言當中其實是普遍存在很多的不確定性，第三個是語言知識處理本身非常復雜，第四個是輸入可能是存在不規范性。比如講一個智能回訪的場景，我們都知道機器人做回訪，或者我們人工座席做回訪，往往第一個問題是身份的核對，比如“您好，請問你是張三先生嗎？”可能我們期望用戶說我是或者說我不是，這是非常簡單非常容易處理的；但是我們分析實際的錄音數據，針對用戶表明自己就是張三，從表述上我們可以分為四類，第一類就是我剛才講的最簡單一個情況，第二類比如說用戶會說“有事趕緊說”，第三類他可能反問你，“你為什么午休時間給我打電話”，第四類，他甚至會拒絕你，“我現在不方便接電話”，但是后面這三類他都在變相的承認自己是張三。我們就可以看到，其實對于一個簡單的身份核對，用戶就會有各種各樣非常靈活、非常多變的表達方式，要求我們能夠通過NLP的技術能夠去處理。

某種意義上來講就是一個問題它有多難，它就會有多重要。關于自然語言處理，微軟創始人比爾蓋茨很早之前就說過，自然語言處理是人工智能皇冠上的明珠。最近微軟的沈向洋博士提出了一個說法“懂語言者得天下”，就是強調人工智能接下來的突破就是在自然語言的理解。

我們看看NLP在實際中的應用場景，可以劃分為三塊，第一塊就是通用領域，我們都知道搜索引擎、拼音輸入法，背后都是一些NLP的技術。第二塊是面對特定行業的應用，比如說智能投顧、疾病診斷、還有教育、法律都有一些應用場景，第三塊就是呼叫中心。

呼叫中心相對特殊，這個特殊性我認為主要是因為它的兩個特點決定，第一個就是說各行各業都有這方面的需求，市場空間非常大；第二個特點是針對具體的客戶具體的行業來講，其實解決的是特定封閉領域的問題，這樣的話使得技術難度相對來講比較低。

接下來就是深度語義理解的核心技術，對于NLP，從大的方面來看可以劃分為兩種技術路線，第一種是傳統的方法，基于符號的語義表示，在語義處理上是依賴于大量的規則還有淺層的分析，準確率往往取決于你到底投入多少的人工，很難超過80%。第二種是深度語義理解的方法，基于分布式的語義表示，語義處理上是把傳統的機器學習和深度學習去結合起來，另外在知識層面很好的利用知識圖譜作為支撐，準確率可以做到95%以上。

深度語義理解有兩個要素，一個是關鍵算法，有語義相似度計算、語義復述、多意圖識別、自學習；第二個是知識圖譜，從知識圖譜技術上來看是五方面的問題，第一個是知識的體系和表示，第二個是知識的建模，第三個是知識的獲取，第四個是知識的集成，第五個是知識的存儲和服務。下面我分別仔細介紹。

最終的話把算法和知識的所有技術整合起來，就構成了我們的深度語義理解引擎，大概涉及到二十多種技術。

最后介紹一下我們在深度語義理解的具體的實踐和應用。中興通訊的NGCC解決方案主要面向政企和運營商市場，我們的解決方案具備三方面的特點，第一個就是智能化，第二個是純云化、第三個是整體化。我們在中國平安、江蘇電信規模分別是15000座席和13400坐席，在建設銀行我們是兩地三中心12000坐席。這些案例都是呼叫中心少有的智能水平非常高、容量非常大，可靠性非常高的應用案例，在這里面深度語義理解的技術，應用到了系統的各個部分，使得人工座席和機器可以密切的配合，有一個非常好的人機協作的效果。

最后總結下，中興通訊的NGCC解決方案，我們將深度語義理解的技術應用到了系統的各個部分，具體來講有智能客服、智能IVR、智能營業廳、智能知識庫和智能外呼，這些智能的方案跟對于呼叫中心傳統功能的完全支持，一起構成我們完整化的解決方案，我們希望通過以深度語義理解為代表的智能化技術，把智能化與服務場景、接入渠道，還有業務系統做一個無縫的融合，希望在業務場景里面能夠給用戶提供舒適、無感、有效、快速的智能服務。謝謝大家。